Ganadería en Sonora

Introducción

Antecedentes

Objetivos del trabajo

¿Qué tan importante es la ganadería para Sonora?

La ganadería en el estado de Sonora tiene su mayor importancia en la cantidad de trabajos que genera, pues de los tres sectores económicos, ocupa el tercer lugar en aportación al PIB estatal. En este análisis se busca relacionar la importancia económica de dicha actividad con el daño ambiental que provoca el estado.

¿Cuál es el impacto ambiental que genera la ganadería al estado?

1. La erosión es un problema presente en la mayoría de los suelos sonorenses y constituye un riesgo para la producción futura de las actividades agrícolas, ganaderas y forestales del estado.
2. El sector ganadero es responsable del 9% del CO2 procedente de las actividades humanas, pero produce un porcentaje mucho más elevado de los gases de efecto invernadero más perjudiciales.

¿Cuáles son los factores que afectan la productividad del ganado?

Se considera que la sequía y las altas temperaturas son uno de los problemas más fuertes que enfrentan los ganaderos. Las vacas son animales que ocupan una gran cantidad de agua, en general, el consumo de alimentos cárnicos trae consigo un uso mucho mayor de agua que el de los vegetales.

Metodología

1. Pruebas de hipótesis
2. Regresión no líneal
3. Regresión líneal multiple

Pruebas de hipótesis

A continuación se utiliza la prueba de hipótesis para conocer si la comida actúa como un factor importante a la hora del desarrollo de las vacas.

Hipótesis: Si tú les das al ganado bovino comida de pasto gamba con pollinaza, estas llegan a pesar más y a su vez se reduce su producción láctea. Al contrario de lo que pasa si se les alimenta con pasto gamba con concentrado.

Se comparan los tipos de dietas entre bovinos durante un tiempo aproximado de 12 semanas para poder saber cuál es la dieta que permite mayor desarrollo en peso engorda de la vaca y de producción de litros de leche.

Litros por tipo de alimento

Peso por tipo de alimento

Histograma para conocer la frecuencia de distribución de los datos de litros por alimento de Pasto y Concentrado

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   3.215   3.312   3.555   3.995   4.713   5.787

## [1] 0.8603689

Histograma para conocer la frecuencia de distribución de los datos de litros por alimento de Pasto y Pollinaza

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   2.393   2.750   2.893   3.359   4.153   4.787

## [1] 0.860891

Histograma para conocer la frecuencia de distribución de los datos de peso por alimento de Pasto y Concentrado

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   318.5   333.4   345.8   349.9   363.9   397.5

## [1] 24.86314

Histograma para conocer la frecuencia de distribución de los datos de peso por alimento de Pasto y Pollinaza

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   427.5   436.9   447.8   449.8   453.6   495.2

## [1] 20.74653

## 
##  Shapiro-Wilk normality test
## 
## data:  pp_peso$Peso
## W = 0.87502, p-value = 0.0757

## 
##  Shapiro-Wilk normality test
## 
## data:  pc_peso$Peso
## W = 0.95484, p-value = 0.7085

## 
##  Shapiro-Wilk normality test
## 
## data:  pp$Litros
## W = 0.8659, p-value = 0.05799

## 
##  Shapiro-Wilk normality test
## 
## data:  pc$Litros
## W = 0.83667, p-value = 0.02523

Regresión líneal multiple

Gráfica de producción anual de carne en Sonora

Gráfica de precipitaciones anuales en Sonora

Analizar la relación entre variables

Generar el modelo

## 
## Call:
## lm(formula = ProduccionCarne ~ Precipitaciones + Temperaturas, 
##     data = datos)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -65738 -35814 -15579  23269 187877 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)
## (Intercept)      54426.94  116745.77   0.466    0.645
## Precipitaciones     20.38      24.02   0.849    0.403
## Temperaturas      -308.05    4054.68  -0.076    0.940
## 
## Residual standard error: 61660 on 29 degrees of freedom
## Multiple R-squared:  0.02534,    Adjusted R-squared:  -0.04188 
## F-statistic: 0.377 on 2 and 29 DF,  p-value: 0.6892

Selección de los mejores predictores

## Start:  AIC=708.73
## ProduccionCarne ~ Precipitaciones + Temperaturas
## 
##                   Df  Sum of Sq        RSS    AIC
## - Temperaturas     1   21942743 1.1027e+11 706.73
## - Precipitaciones  1 2737643509 1.1298e+11 707.51
## <none>                          1.1024e+11 708.73
## 
## Step:  AIC=706.73
## ProduccionCarne ~ Precipitaciones
## 
##                   Df  Sum of Sq        RSS    AIC
## - Precipitaciones  1 2844468357 1.1311e+11 705.55
## <none>                          1.1027e+11 706.73
## + Temperaturas     1   21942743 1.1024e+11 708.73
## 
## Step:  AIC=705.55
## ProduccionCarne ~ 1
## 
##                   Df  Sum of Sq        RSS    AIC
## <none>                          1.1311e+11 705.55
## + Precipitaciones  1 2844468357 1.1027e+11 706.73
## + Temperaturas     1  128767591 1.1298e+11 707.51

## 
## Call:
## lm(formula = ProduccionCarne ~ 1, data = datos)
## 
## Coefficients:
## (Intercept)  
##       63364

## 
## Call:
## lm(formula = ProduccionCarne ~ Precipitaciones + Temperaturas, 
##     data = datos)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -65738 -35814 -15579  23269 187877 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)
## (Intercept)      54426.94  116745.77   0.466    0.645
## Precipitaciones     20.38      24.02   0.849    0.403
## Temperaturas      -308.05    4054.68  -0.076    0.940
## 
## Residual standard error: 61660 on 29 degrees of freedom
## Multiple R-squared:  0.02534,    Adjusted R-squared:  -0.04188 
## F-statistic: 0.377 on 2 and 29 DF,  p-value: 0.6892

##                         2.5 %       97.5 %
## (Intercept)     -184344.95758 293198.84206
## Precipitaciones     -28.73707     69.49626
## Temperaturas      -8600.80102   7984.69954

Validación de condiciones para la regresión múltiple lineal

Distribución normal de los residuos:

Matriz de correlación entre predictores

Análisis de Inflación de Varianza (VIF):

## Precipitaciones    Temperaturas 
##        1.096488        1.096488

##  lag Autocorrelation D-W Statistic p-value
##    1      -0.2321819      2.461288   0.134
##  Alternative hypothesis: rho != 0

Identificación de posibles valores atípicos o influyentes

## [1] 14 30

## Potentially influential observations of
##   lm(formula = ProduccionCarne ~ Precipitaciones + Temperaturas,      data = datos) :
## 
##    dfb.1_ dfb.Prcp dfb.Tmpr dffit   cov.r   cook.d hat    
## 5   0.04   0.18    -0.06     0.19    1.40_*  0.01   0.22  
## 14 -0.05  -0.10     0.12     0.63    0.40_*  0.10   0.03  
## 15 -0.17  -0.04     0.16    -0.18    1.34_*  0.01   0.18  
## 27  0.05  -0.26    -0.01    -0.29    1.66_*  0.03   0.34_*
## 30  0.37   1.05_*  -0.48     1.29_*  0.33_*  0.37   0.10

##       StudRes        Hat      CookD
## 5   0.3649458 0.22001761 0.01290884
## 14  3.4332368 0.03279691 0.09710847
## 27 -0.4015391 0.34096410 0.02863389
## 30  3.9236591 0.09750239 0.37049963

Regresión no líneal

A continuación se utiliza el método de no líneal para saber si influye el factor de las precipitaciones en la producción bovina.

Conclusión

Se desarrolló la comprensión de aquellos factores que tienen un efecto real en la producción de carne o leche, entre estas variables se destacaron las ambientales siendo las precipitaciones y la temperatura siendo factores externos importantes, mientras que en los factores que se pueden controlar, el tipo de alimentación cobro gran importancia.